基于Landsat Collection 2 ARD的自动化合成方法：实现年度无云隙NLCD产品生产

《International Journal of Applied Earth Observation and Geoinformation》：An automated compositing method for producing annual clear images from Landsat Collection 2 for annual NLCD production

本研究针对Landsat影像中云、云阴影及数据缺失影响土地覆盖产品质量的问题，开发了一种名为自动化虚拟中值点（AVMVP）的合成方法。该方法以Landsat Collection 2分析就绪数据（ARD）为输入，通过改进的虚拟中值点（VMVP）算法、光谱滤波准则和百分位数滤波技术，实现了年度无云、无间隙合成影像的自动化生产，成功应用于美国本土（CONUS）1985-2023年年度NLCD产品套件的生成，显著提升了图像准备效率与产品质量。

　　

土地覆盖是理解地球表面动态变化的关键信息，而高质量的土地覆盖产品对于环境监测、资源管理和气候变化研究至关重要。美国国家土地覆盖数据库（NLCD）作为美国地质调查局（USGS）的标志性产品，长期以来依赖Landsat卫星影像来提供全美50个州的土地覆盖信息。然而，一个长期存在的技术挑战困扰着研究人员：Landsat影像不可避免地受到云层、云阴影的污染，以及在特定区域（如常年冰雪区）的数据缺失，这些问题严重影响了后续土地覆盖分类和变化检测的准确性。

传统的影像合成方法，如NLCD 2019业务化生产中使用的虚拟中值点（VMVP）合成方法，虽然在同类方法中表现优异，但其直接输出的合成影像仍然存在残留的云、云阴影和缺失值区域。更棘手的是，对于常年冰雪覆盖区域，由于像元质量评估（Pixel QA）难以区分冰雪与云，即使存在无云观测值，也容易被错误地过滤掉。以往的解决方案通常需要额外的步骤，例如使用参考影像进行残留云影检测和间隙填充，这不仅增加了操作的复杂性，也限制了大规模、长时间序列产品生产的自动化程度。

为了突破这一瓶颈，实现大规模、长时序高质量土地覆盖产品的自动化生产，美国地质调查局地球资源观测与科学（EROS）中心的研究团队进行了一项创新性研究。他们开发了一种全新的端到端合成方法——自动化虚拟中值点（AVMVP）合成方法，该方法仅需Landsat Collection 2分析就绪数据（ARD）作为输入，即可输出可直接用于分类的无云、无间隙合成影像。这项研究成果已发表在《International Journal of Applied Earth Observation and Geoinformation》上。

为开展此项研究，研究人员主要采用了以下几项关键技术方法：首先，利用Landsat Collection 2 ARD附带的像元质量评估（QA_PIXEL）和地表反射率质量评估（SR_CLOUD_QA）波段进行初始像元过滤；其次，应用改进的虚拟中值点（VMVP）算法从清晰观测值中筛选最佳观测；第三，开发了新的光谱滤波准则（包括厚云、薄云和云阴影滤除）并结合清晰观测值数量来评估合成质量；第四，当目标年份无合格观测时，自动从目标年份前后最多±2年的观测数据中提取清晰值进行“间隙填充”；最后，针对常年冰雪区域，开发了基于RGB波段和的百分位数滤波方法作为最终保障机制。

2.1. 自动化虚拟中值点（AVMVP）合成方法

AVMVP方法的核心流程是基于像元处理的。对于每个像元，首先堆叠目标年份时间窗口内的所有观测值，然后进行像元QA过滤以识别“清晰”观测。随后应用NLCD VMVP方法从清晰观测中选出初始合成输出。接下来，结合清晰观测数量和新开发的光谱云影滤波准则（C.1-C.4）来评估合成质量。如果输出未通过质量检查，则依次添加±1年、±2年的观测数据重新进行合成。当即使扩展至±2年仍无合格观测时，则对目标年份的所有观测值应用百分位数滤波（去除RGB波段和的上30%和下20%的观测），再对剩余观测进行VMVP合成以产生最终合成结果。

2.2. 测试区域（选定瓦片）

研究选取了美国本土五个具有不同景观和挑战的ARD瓦片进行方法开发和演示，包括德克萨斯州（数据稀疏）、缅因州（生长季短、多云）、华盛顿州雷尼尔山（常年冰雪、山地）、印第安纳州（农业主导、多云）和佐治亚州亚特兰大东南部（城市与森林变化剧烈）。测试年份聚焦于1984、1985、1992、2012和2019年，代表了不同的Landsat传感器和数据可用性情况（如2012年仅有Landsat 7 SLC-off数据）。

3. 结果

结果显示，AVMVP方法成功地为所有测试瓦片和年份生成了无云、无间隙的最终合成影像。与基于Collection 1的初始VMVP合成结果相比，基于Collection 2的初始结果显示出更多的残留云，这突显了Collection 2 QA_PIXEL的差异以及引入额外滤波步骤的必要性。最终合成影像在视觉上清洁，即使在像雷尼尔山这样的常年冰雪区也呈现出合理的结果。对于整个美国本土2019年的合成，97.89%的像元使用了目标年份的观测值，2.10%来自±1年，0.003%来自±2年，0.01%使用了百分位数滤波方法。需要从邻近年份填充的像元主要分布在沿海水域、五大湖或多云区域，而使用百分位数滤波的像元则主要集中在冰雪山区。

4. 讨论

4.1. 在CONUS以外区域的应用

AVMVP方法已成功应用于阿拉斯加和夏威夷的测试，表明其具备全球应用的潜力。对于热带或极多云区域，用户可通过延长“生长期”时间窗口或扩展邻近年份循环（如超过±2年）来增加清晰观测的可用性。

4.2. 光谱云和云阴影滤波

研究开发的光谱滤波准则旨在排除被QA_PIXEL和SR_CLOUD_QA漏检的薄云和云阴影观测。这些准则是基于美国本土的观测数据设定的，旨在降低漏检错误，但可能增加误检错误。因此，算法设计上仅在清晰观测数量较少（≤5）时应用云影滤波，且云影滤波仅应用于目标年份的VMVP结果。

4.3. 百分位数滤波与常年冰雪

百分位数滤波是专门为处理被像元QA和光谱滤波误判为云的常年冰雪区域而设计的。其参数假设像元在合成时间窗口内受污染的时间不超过一半。在非冰雪区域，建议优先通过扩展时间循环来寻找清晰观测，而非依赖百分位数滤波。

4.4. 合成影像质量

AVMVP方法通过严格的质量控制，几乎完全消除了合成影像中的云和云阴影污染。通过同时添加目标年份前后邻近年份的观测数据，降低了选择不能代表目标年份真实状况的观测值的可能性。尽管合成影像可能存在因不同日期观测引起的空间不连贯斑块或接缝线，但总体来看，AVMVP产生的合成影像质量高，无明显伪影。

4.5. Collection 2与Collection 1对合成的影响

研究发现，Collection 2的QA_PIXEL比Collection 1允许更多可能受云污染的观测值通过初始过滤，这促使研究团队开发了额外的光谱滤波准则并建议结合使用SR_CLOUD_QA（适用于Landsat 4-7）。此外，Collection 2的地表反射率值使得区分薄云与亮表面（如农田、城市）、云阴影与暗表面（如水、茂密植被）变得更加困难，阈值设定需根据具体区域进行调整。

5. 结论

本研究开发的自动化虚拟中值点（AVMVP）合成方法，有效解决了传统方法在制备高质量土地覆盖分类输入影像时面临的自动化程度低、残留云影及冰雪区处理难等问题。该方法继承了NLCD VMVP方法的计算效率和高质量结果的优势，并通过集成自动化的质量评估、跨年份间隙填充和针对特殊地物的专用滤波策略，形成了一套完整的端到端解决方案。利用该方法生产的1984-2023年美国本土年度合成影像，已成功用于生成年度NLCD Collection 1.0产品套件，并于2024年10月发布。这项工作为实现大规模、长时序、高精度土地覆盖产品的自动化生产提供了强有力的技术支撑，对全球土地覆盖监测和变化研究具有重要意义。该方法设计灵活，参数可调，具有良好的区域适应性和推广潜力。